了解抹香鲸的交流
大规模数据集是最近机器学习 (ML) 在回答有关人类语言的类似问题方面取得成功的关键因素。 创建可以使用 ML 进行分析的生物数据集是一项资本密集型工作。 这需要采用多学科方法来设计、部署和维护用于收集声学信号和行为数据的专用硬件、用于分析和处理它们的软件、用于揭示动物交流结构并将其植根于它们的行为的语言模型,然后在 为了验证(图1)。 然而,图形处理单元 (GPU) 的部署正在遵循类似于摩尔定律的轨迹 (https://openai.com/blog/ai-and-compute),与此同时,这种努力的成功可能 可能会在更广泛的研究非人类交流和动物行为研究的社区中产生交叉应用和进步。 大型数据集的可用性,包括标记的和未标记的(以及可以利用这些大数据的架构)一直是深度学习成功的关键驱动因素之一。 收集包含来自广泛因素的测量值的数据集将有助于构建一个物种行为的完整图景。 同样,建立有助于收集大型和多样化数据集的基础设施将允许进行能够自主发现携带意义的通信单元的研究。
通过关注各种物种,可以做出专门的跨学科努力来详细了解动物交流。 鸟类、灵长类动物和海洋哺乳动物都提供了对动物交流的洞察力。 通过对各种分类群的实验和观察,我们对非人类交流能力及其能力有了集体的了解。 关于作为交流基础的神经生物学系统的发现以及该系统的复杂性和多样性反映了我们与物种或长期研究计划合作的能力。
研究人员研究了许多物种的动物交流。 这些包括蜘蛛、啮齿动物和鸟类。 埃利亚斯等人,2012 年; Hebets 等人,2013 年)、传粉者(例如 Kulahci 等人,2008 年)、啮齿类动物(例如 Ackers 和 Slobodchikoff,1999 年;Slobodchikoff 等人,2009 年)、鸟类(例如 Baker,2001 年;Griesser 等人,2018 年) 、灵长类动物(例如 Clarke 等人,2006 年;Jones 和 Van Cantfort(2007 年);Leavens(2007 年);Ouattara 等人(2009 年);Schlenker 等人(2016 年);Seyfarth 等人(1980 年)和鲸类动物 (e.g. Janik, 2014; Janik & Sayigh, 2013, etc.),表明动物交流是一个复杂的过程,涉及许多策略、功能和层次元素。之前的研究主要集中在动物交流的结构、计算和机制方面。有 已经有许多成功的尝试在人类护理中与鸟类建立对话(例如
来源和详细信息:
https://www.sciencedirect.com/science/article/pii/S2589004222006642